論文の概要: DFC: Deep Feature Consistency for Robust Point Cloud Registration
- arxiv url: http://arxiv.org/abs/2111.07597v1
- Date: Mon, 15 Nov 2021 08:27:21 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-17 02:32:05.899752
- Title: DFC: Deep Feature Consistency for Robust Point Cloud Registration
- Title（参考訳）: DFC:ロバストポイントクラウド登録のための深い機能一貫性
- Authors: Zhu Xu, Zhengyao Bai, Huijie Liu, Qianjie Lu, Shenglan Fan
- Abstract要約: 複雑なアライメントシーンのための学習に基づくアライメントネットワークを提案する。
我々は,3DMatchデータセットとKITTIオドメトリデータセットに対するアプローチを検証する。
- 参考スコア（独自算出の注目度）: 0.4724825031148411
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: How to extract significant point cloud features and estimate the pose between
them remains a challenging question, due to the inherent lack of structure and
ambiguous order permutation of point clouds. Despite significant improvements
in applying deep learning-based methods for most 3D computer vision tasks, such
as object classification, object segmentation and point cloud registration, the
consistency between features is still not attractive in existing learning-based
pipelines. In this paper, we present a novel learning-based alignment network
for complex alignment scenes, titled deep feature consistency and consisting of
three main modules: a multiscale graph feature merging network for converting
the geometric correspondence set into high-dimensional features, a
correspondence weighting module for constructing multiple candidate inlier
subsets, and a Procrustes approach named deep feature matching for giving a
closed-form solution to estimate the relative pose. As the most important step
of the deep feature matching module, the feature consistency matrix for each
inlier subset is constructed to obtain its principal vectors as the inlier
likelihoods of the corresponding subset. We comprehensively validate the
robustness and effectiveness of our approach on both the 3DMatch dataset and
the KITTI odometry dataset. For large indoor scenes, registration results on
the 3DMatch dataset demonstrate that our method outperforms both the
state-of-the-art traditional and learning-based methods. For KITTI outdoor
scenes, our approach remains quite capable of lowering the transformation
errors. We also explore its strong generalization capability over
cross-datasets.
- Abstract（参考訳）: 重要な点雲の特徴を抽出し、それらの間のポーズを推定する方法は、その構造が固有の欠如と点雲のあいまいな順序置換のため、依然として難しい問題である。
オブジェクトの分類、オブジェクトのセグメンテーション、ポイントクラウドの登録など、ほとんどの3Dコンピュータビジョンタスクにディープラーニングベースのメソッドを適用することの大幅な改善にもかかわらず、既存の学習ベースのパイプラインでは、機能間の一貫性は魅力的ではない。
本稿では,複雑なアライメントシーンのための新たな学習ベースアライメントネットワークであるディープ特徴整合性(deep feature consistency)と,幾何対応セットを高次元特徴に変換するマルチスケールグラフ特徴マージネットワークと,複数の候補不整合部分集合を構成する対応重み付けモジュールと,相対的なポーズを推定するための閉形式解を与えるProcrustesアプローチを提案する。
深部特徴整合モジュールの最も重要なステップとして、各不整合部分集合に対する特徴整合行列を構築し、対応する部分集合の不整合確率として主ベクトルを得る。
我々は,3DMatchデータセットとKITTIオドメトリデータセットの両方に対して,アプローチの堅牢性と有効性を総合的に検証した。
大規模屋内シーンでは, 3dmatchデータセットの登録結果から, 従来型と学習型の両方の手法に勝ることを示す。
KITTIの屋外シーンでは、我々のアプローチは変換エラーを低減できる。
クロスデータセットに対する強力な一般化機能についても検討する。
関連論文リスト
- Boosting Cross-Domain Point Classification via Distilling Relational Priors from 2D Transformers [59.0181939916084]
従来の3Dネットワークは主に局所幾何学的詳細に焦点を当て、局所幾何学間の位相構造を無視する。
そこで本稿では,大規模画像上においてよく訓練されたトランスフォーマーから前駆体を抽出する,新しい先駆体蒸留法を提案する。
PointDA-10とSim-to-Realデータセットの実験は、提案手法が点クラウド分類におけるUDAの最先端性能を一貫して達成していることを検証する。
論文 参考訳（メタデータ） (2024-07-26T06:29:09Z) - Clustering based Point Cloud Representation Learning for 3D Analysis [80.88995099442374]
本稿では,ポイントクラウド分析のためのクラスタリングに基づく教師付き学習手法を提案する。
現在のデファクトでシーンワイドなトレーニングパラダイムとは異なり、我々のアルゴリズムは点埋め込み空間上でクラス内のクラスタリングを行う。
我々のアルゴリズムは、有名なポイントクラウドセグメンテーションデータセットの顕著な改善を示している。
論文 参考訳（メタデータ） (2023-07-27T03:42:12Z) - 3DMODT: Attention-Guided Affinities for Joint Detection & Tracking in 3D
Point Clouds [95.54285993019843]
本稿では,3次元点雲における複数物体の同時検出と追跡手法を提案する。
本モデルでは,複数のフレームを用いた時間情報を利用してオブジェクトを検出し,一つのネットワーク上で追跡する。
論文 参考訳（メタデータ） (2022-11-01T20:59:38Z) - DCL-Net: Deep Correspondence Learning Network for 6D Pose Estimation [43.963630959349885]
本稿では,DCL-Netとして短縮された直接6次元オブジェクトポーズ推定のためのディープ対応学習ネットワークを提案する。
DCL-Netは,YCB-Video,LineMOD,Oclussion-LineMODを含む3つのベンチマークデータセットにおいて,既存の手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2022-10-11T08:04:40Z) - Deep Hough Voting for Robust Global Registration [52.40611370293272]
6次元変換パラメータ空間におけるハフ投票を利用した実世界の3Dスキャンのペア登録のための効率的なフレームワークを提案する。
提案手法は, 3DMatch と 3DLoMatch のベンチマークにおいて, KITTI odometry データセットで同等の性能を達成しながら, 最先端の手法よりも優れている。
論文 参考訳（メタデータ） (2021-09-09T14:38:06Z) - UPDesc: Unsupervised Point Descriptor Learning for Robust Registration [54.95201961399334]
UPDescは、ロバストポイントクラウド登録のためのポイント記述子を学習するための教師なしの方法である。
学習した記述子は既存の教師なし手法よりも優れた性能を示すことを示す。
論文 参考訳（メタデータ） (2021-08-05T17:11:08Z) - Learning Feature Aggregation for Deep 3D Morphable Models [57.1266963015401]
階層レベルで機能集約を向上するためのマッピング行列を学習するための注意に基づくモジュールを提案する。
実験の結果,マッピング行列のエンドツーエンドトレーニングにより,様々な3次元形状データセットの最先端結果が得られることがわかった。
論文 参考訳（メタデータ） (2021-05-05T16:41:00Z) - PointDSC: Robust Point Cloud Registration using Deep Spatial Consistency [38.93610732090426]
本稿では,空間的整合性を明確に組み込んだ新しいディープニューラルネットワークであるPointDSCを提案する。
本手法は,いくつかの実世界のデータセットにおいて,最先端の手作りおよび学習に基づく異常者拒絶アプローチを上回っている。
論文 参考訳（メタデータ） (2021-03-09T14:56:08Z) - CorrNet3D: Unsupervised End-to-end Learning of Dense Correspondence for
3D Point Clouds [48.22275177437932]
本稿では,3次元形状間の密接な対応を点雲形式で計算する問題に対処する。
CorrNet3Dは、教師なしでエンドツーエンドのディープラーニングベースのフレームワークです。
論文 参考訳（メタデータ） (2020-12-31T14:55:51Z) - Unsupervised Learning of 3D Point Set Registration [15.900382629390297]
点雲登録は、幾何変換を探索することで一対の点集合を整列する過程である。
本稿では,新たに導入された深部空間相関表現(SCR)機能に基づく,新しい教師なし登録フレームワークであるDeep-3DAlignerを提案する。
提案手法は,まずランダムに遅延するSCR特徴量を最適化し,次に幾何変換に復号し,ソースとターゲットの点集合を整列させる。
論文 参考訳（メタデータ） (2020-06-11T05:21:38Z) - Towards Better Generalization: Joint Depth-Pose Learning without PoseNet [36.414471128890284]
自己教師型共同深層学習におけるスケール不整合の本質的問題に対処する。
既存の手法の多くは、全ての入力サンプルで一貫した深さとポーズを学習できると仮定している。
本稿では,ネットワーク推定からスケールを明示的に切り離す新しいシステムを提案する。
論文 参考訳（メタデータ） (2020-04-03T00:28:09Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。